基于深度学习的新生儿肺高血压的预测使用心声图
Hanna Ragnarsdottir1, Ece Ozkan2, Holger Michel3
1Department of Computer Science, ETH Zurich, Universitätstrasse 6, 8092 Zürich, Switzerland.
International journal of computer vision
|June 24, 2024
概括
这项研究引入了一种人工智能工具,用于使用心声图对新生儿进行早期肺高血压 (PH) 检测. 可解释的深度学习模型准确地预测PH严重程度,帮助临床管理.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 新生儿肺高血压 (PH) 是一种严重的疾病,需要早期检测和严重程度分类才能有效管理.
- 心声图是主要的诊断工具,但手动评估是耗时的,需要专门的专业知识.
- 现有的自动化PH检测方法是有限的,特别是对于儿科患者和严重程度分类.
研究的目的:
- 开发和验证一种可解释的,基于多视图视频的深度学习方法,用于预测和分类新生儿PH的严重程度.
- 解决儿童心声学中自动化,准确和高效的PH评估的需求.
主要方法:
- 利用时空卷积神经网络从个人心声图视图进行PH预测.
- 采用多数投票策略,从多个观点汇总预测.
- 应用可解释性技术 (性图) 来验证模型的重点是相关的心脏结构.
- 在270名新生儿的队列上评估了该模型,使用了10倍的交叉验证和持久测试集.
主要成果:
- 通过交叉验证实现了0.84的平均F1得分,用于严重性预测和0.92用于通过交叉验证检测二元PH.
- 在持有测试集上表现出性能,F1得分为0.63的严重性和0.78的二进制检测.
- Saliency 地图证实了该模型的重点是临床意义上的心脏区域.
结论:
- 开发的深度学习模型提供了一个有希望的自动化解决方案,用于使用心声图来预测和分类新生儿的PH严重程度.
- 这种可解释的AI方法可能有助于临床医生在早期和准确的PH诊断中,改善患者的治疗结果.
- 这代表了首次使用心声图数据对新生儿PH的自动评估.
